Perpustakaan Digital ITB

Seiring dengan semakin rumitnya proses pengambilan keputusan, data time series dan data multivariate dibutuhkan untuk mengakomodir kebutuhan yang ada. Data time series adalah data yang penting dalam manajemen, perencanaan, dan pengambilan keputusan. Untuk mengakomodir kebutuhan tersebut, data diproses dengan menggunakan data mining untuk melihat tren yang terjadi pada data sehingga dapat digunakan untuk pertimbangan dalam pengambilan keputusan. Sayangnya, ketika kita akan mengambil informasi dari data banyak masalah yang ditemui, salah satunya adalah adanya missing value. Missing value tersebut menyebabkan hasil pengolahan data menjadi tidak sesuai dengan keadaan yang sesungguhnya. Metode imputasi dapat digunakan untuk menangani missing value. Sebelum melakukan imputasi, data dimodelkan dengan Dynamic Bayesian Network (DBN). DBN dipilih karena dapat menjaga hubungan antar atribut pada data. Setelah data dimodelkan ke dalam DBN, selanjutnya dilakukan imputasi menggunakan pendekatan prediksi. Umumnya prediksi digunakan untuk menebak data diakhir dari dataset, namun pada penelitian ini metode prediksi digunakan untuk mengisi missing value pada dataset. Algoritma yang digunakan untuk imputasi adalah Support Vector Regression (SVR). SVR dipilih karena performanya yang baik dibandingkan dengan algoritma lainnya. Pengujian dilakukan dengan menggunakan Symmetric Mean Absolute Percentage Error (SMAPE). Hasilnya, pemanfaatan model DBN terbukti dapat meningkatkan akurasi pada prediksi nilai untuk imputasi yang dilakukan dengan SVR.